Summary  
This chapter explains how to access a DataFrame’s column names and data types using the `df.columns` and `df.dtypes` attributes.  

General domain of usage  
Data analysis

För att se alla kolumnnamn som en lista, måste vi använda denna kodrad:
```python
column_names = df.columns
```

Vi kan också få en sammanfattning av alla datatyper som finns i dataframen. För detta måste vi använda följande attribut: `.dtypes`.
```python
data_types = df.dtypes
```

import unittest
import importlib
import pandas as pd


def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):

    def test_column_names_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'column_names'),
            "The `column_names` variable is declared.",
            "Expected `column_names` to be declared."
        )

    def test_column_names_is_index(self):
        import user_code

        try:
            condition = isinstance(user_code.column_names, pd.Index)
            failure_message = f"Expected `column_names` to be an `Index`, but got `{type(user_code.column_names).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `column_names` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `column_names` is an `Index`.",
            failure_message
        )

    def test_column_names_is_correct(self):
        import user_code

        try:
            wine_data = pd.read_csv(
                'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
            expected_value = wine_data.columns
            condition = user_code.column_names.equals(expected_value)
            failure_message = f"Expected `column_names` to be `{expected_value}`, but got `{user_code.column_names}`."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'column_names', None):
                failure_message = "The `column_names` variable is not declared."
            else:
                failure_message = f"`column_names` is not an `Index`."

        _dynamic_test(
            self,
            condition,
            f"`column_names` contains the correct values.",
            failure_message
        )

    def test_data_types_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'data_types'),
            "The `data_types` variable is declared.",
            "Expected `data_types` to be declared."
        )

    def test_data_types_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.data_types, pd.Series)
            failure_message = f"Expected `data_types` to be a `Series`, but got `{type(user_code.data_types).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `data_types` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `data_types` is a `Series`.",
            failure_message
        )

    def test_data_types_is_correct(self):
        import user_code

        wine_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
        expected_value = wine_data.dtypes
        
        variable = 'data_types'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, pd.Series):
            condition = actual_value.equals(expected_value)
            if actual_value.empty:
                failure_message = f"`{variable}` is empty."
            else:
                failure_message = f"Expected `{variable}` to contain `{expected_value.values}`, but got `{actual_value.values}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `Series`."

        _dynamic_test(
            self,
            condition,
            f"`first_row` contains the correct values.",
            failure_message
        )


if __name__ == '__main__':
    unittest.main()

test_main.py

Pandas är ett extremt användarvänligt bibliotek för dataanalys. Det är också utformat för att hantera stora datamängder, med hjälp av datastrukturer som DataFrame och Series. Detta gör det till ett ovärderligt verktyg för Data Science. I denna guide kommer du att bekanta dig med en rad statistiska funktioner, inklusive hur man hittar korrelationer, lägen, medianer och maximala och minimala värden inom en dataset. Du kommer också att lära dig hur man hanterar saknade värden och manipulerar specifika värden, samt hur man tar bort dem.

I det här avsnittet kommer vi att utforska grunderna i Series och DataFrame-strukturer. Du kommer också att lära dig om skillnaderna mellan dessa två typer av strukturer.

Data kan hämtas i olika format, såsom CSV, JSON, SQL, HTML och fler. Med Pandas är du inte begränsad till ett enda format — du kan arbeta med data från en mängd olika filtyper. I detta kapitel kommer vi specifikt att fokusera på CSV- och TXT-formaten.

Här kommer du att lära dig hur man bearbetar rådata genom att ta bort överflödig information och hantera nullvärden i en dataset.

Kolumnnamn och Datatyper

Lösning

Awesome!

Kolumnnamn och Datatyper

Lösning

Awesome!